代码随想录算法训练营第十三天(栈与队列part03) | 239. 滑动窗口最大值，347.前 K 个高频元素，总结

📝239. 滑动窗口最大值 (Hard)

之前讲的都是栈的应用，这次该是队列的应用了。本题算比较有难度的，需要自己去构造单调队列，建议先看视频来理解。

题目链接/文章讲解/视频讲解：

👩‍💻思路：

---

1.Hint：

• 💡提示 1：考虑使用 deque（双端队列）等数据结构。
• 💡提示 2：队列size不必与窗口大小完全相同。
• 💡提示 3：删除多余的元素，队列应只存储和维护需要考虑的元素。

2.知识点补充：

• 为什么我们用deque实现这个单调队列呢？文章中提到，使用deque最为合适，在文章栈与队列：来看看栈和队列不为人知的一面 (opens new window)中，我们就提到了常用的queue在没有指定容器的情况下，deque就是默认底层容器。Deque 和 Queue 的应用场景：Deque 适用于需要在两端都能进行高效操作的场景，如维护一个滑动窗口的最大值或最小值；Queue 适用于需要严格遵循先进先出规则的场景，如任务队列和消息队列。如果需要实现一个单调队列，使用 deque 是非常合适的选择，因为它允许在两端高效地进行添加和删除操作。
• 单调队列：一种数据结构，通过保持元素的最大值始终位于前端的方式，帮助高效查找滑动窗口中的最大值。
• 滑动窗口：一种在列表/数组中移动固定大小窗口的技术，用于解决查找每个窗口中的最大值/最小值/平均值等问题。

3.详细讲解：

请切记，在滑动窗口的算法中，每次窗口向前移动一步，我们需要做以下两件事：

• 加入新的元素：将新的元素加入到窗口中。
• 移出旧的元素：移除窗口中已经不再属于当前窗口范围的元素。

具体来说，在main function中要实现：

• push：将当前元素加入到队列中，并移除所有小于当前元素的队列末尾元素，以保持队列中元素的单调递减顺序。（如图所示，假设我们现在在选拔篮球队的队员，要求是找到最高的一位队员，5的个子比较高，所以在5出现之后他前面的队员已经失去了被选上的资格了，这就是为什么我们可以直接把前面的元素pop掉的原因。

  

• pop ：当窗口滑动时，我们需要移除窗口的左端元素。如果这个左端元素是队列的第一个元素（也就是当前窗口的最大值），我们需要将它从队列中弹出。但是，这并不是因为后面的数比第一个大，而是因为这个元素已经不再属于当前窗口了。

4.具体示例：

假设我们有数组 [8, 9, 6, 5, 4, 3]，窗口大小 k = 3：

-初始状态：

• 队列状态：[ ]
• 数组：[8, 9, 6, 5, 4, 3]

-窗口 [8, 9, 6]：

• 插入 8：[8]
• 插入 9：移除 8，然后插入 9：[9]
• 插入 6：[9, 6]
• 最大值：9

-窗口向前滑动，变为 [9, 6, 5]：

• 移除 8（它已经不在当前窗口中，不在队列中所以不需要实际操作）
• 插入 5：[9, 6, 5]
• 最大值：9

-窗口向前滑动，变为 [6, 5, 4]：

• 移除 9（它是队列的第一个元素）：[6, 5]
• 插入 4：[6, 5, 4]
• 最大值：6

-窗口向前滑动，变为 [5, 4, 3]：

• 移除 6（它是队列的第一个元素）：[5, 4]
• 插入 3：[5, 4, 3]
• 最大值：5

5.总结：

当我们从 deque 中弹出第一个元素时，这是因为这个元素已经不在当前滑动窗口中，而不是因为队列中有比它更大的元素。队列中始终保持从大到小的顺序，这样第一个元素始终是当前窗口的最大值。

❌易错点/难点总结：

---

1.n == self.maxq[0]

个人认为，本题的难点在于不好理解和区分pop和push操作的分工，很容易混淆。在pop函数中，删去最左边元素的前提条件是“n == self.maxq[0]”，很多人看到都蒙了。为啥相等的时候还要popleft？这是因为，这个过程确保了队列中的第一个元素始终是当前窗口的最大值。当窗口滑动并且最左侧的元素恰好是最大值时，我们需要将其移除，以便下一次调用 max() 方法时返回正确的新最大值。

如果 n 不是当前窗口的最大值，那么它已经被之前的 push 操作删除了，不会在队列中，所以我们不需要做任何操作。因此，目前唯一需要考虑到的一点是，当 n 是当前窗口的最左侧元素时（即 n == self.maxq[0]），这意味着 n 是当前窗口的最大值，并且已经被记录到结果列表中。所以我们可以去滑到下一个窗口去寻找新的最大值了。由于窗口向右滑动， n 不再是下一个窗口的一部分，因此需要将其从队列中移除。换句话讲，目前窗口已经满员了，所以，即使n是最左侧的最大值，我们也要把它先抛弃，这样才能给新的元素留出位置来。只有这样，新的窗口可以正确地记录新的最大值。

2.为什么 n 一定是当前窗口的最大值？

• 队列的维护：在 push 操作中，任何小于 n 的元素都会被移除，这确保了队列中的元素始终是递减的。
• 最大值的保持：在 max 操作中，我们返回 self.maxq[0]，即队列的第一个元素，它是当前窗口的最大值。
• 移除旧值：在 pop 操作中，如果要移除的值 n 等于 self.maxq[0]，这意味着当前窗口的最大值已经不再在窗口中了，因此需要将其移除，以便让新的最大值成为 self.maxq[0]。

📸解题代码：

---

该解决方案的时间复杂度为 O(n)，其中 n 是输入数组 nums 中的元素个数。这是因为我们会对数组中的每个元素遍历一次。

空间复杂度为 O(k)，其中 k 是滑动窗口的大小。这是因为 MonotonicQueue 数据结构在任何时候最多只能存储 k 个元素。

from collections import deque
class MonotonicQueue:
    def __init__(self):
        self.maxq = deque()

    def push(self, n):
        # 将小于 n 的元素全部删除
        while self.maxq and self.maxq[-1] < n:
            self.maxq.pop()
        # 然后将 n 加入尾部
        self.maxq.append(n)

    def max(self):
        return self.maxq[0]

    def pop(self, n):
        if n == self.maxq[0]:
            self.maxq.popleft()

class Solution:
    def maxSlidingWindow(self, nums, k):
        window = MonotonicQueue()
        res = []

        for i in range(len(nums)):
            if i < k - 1:
                # 先填满窗口的前 k - 1
                window.push(nums[i])
            else:
                # 窗口向前滑动，加入新数字
                window.push(nums[i])
                # 记录当前窗口的最大值
                res.append(window.max())
                # 移出旧数字
                window.pop(nums[i - k + 1])
        return res

📝347.前 K 个高频元素 (Medium)

大/小顶堆的应用， 在C++中就是优先级队列

本题是 大数据中取前k值 的经典思路，了解想法之后，不算难。

题目链接/文章讲解/视频讲解：代码随想录

未完待续。。